Deskryptywna, predykcyjna i preskryptywna analityka danych na rzecz bardziej efektywnego i adaptowalnego oprogramowania magazynowego

09 paź 2023

Mustafa Çagri Gürbüz, wykładowca zarządzania łańcuchem dostaw w MIT Saragossa

MUSTAFA ÇAĞRI GÜRBÜZ
Wykładowca zarządzania łańcuchem dostaw w Międzynarodowym Programie Logistycznym MIT Saragossa

Osiągnięcie równowagi między podażą a popytem jest jednym z głównych wyzwań zarządzania łańcuchem dostaw. Jest to trudne zadanie, zważywszy na wahania popytu, spowodowane m.in. sezonowością, a także na niepewność, jaka towarzyszy procesowi realizowania dostaw, związaną z zakłóceniami jego przebiegu w postaci nieprzewidzianych zdarzeń. Magazyny, jako integralna część łańcuchów dostaw, odgrywają kluczową rolę w tym procesie, ponieważ są pośrednikami między producentami a klientami. Nawet jeśli nie składuje się w nich zapasów, wciąż pozostają głównym ogniwem łączącym oba końce łańcucha, czego przykładem są obiekty, w których odbywa się cross-docking. Poza przechowywaniem towaru magazyny mają na celu obniżenie kosztów transportu poprzez kumulowanie towaru, a tym samym osiągnięcie korzyści skali.

Zapewnienie jak najwyższej jakości obsługi (poprzez krótki czas reakcji i wysoką dostępność zapasów) przy jak najniższych kosztach to zadanie dużo trudniejsze, niż się wydaje. Wynika to między innymi z krótkich cykli życia produktów, nietrwałego charakteru produktów w wielu branżach (elektronika, odzież, żywność itp.), rozrastania się asortymentu, złożoności łańcucha dostaw oraz wymogów konsumentów, którzy poszukują produktów wysoce spersonalizowanych. Ponieważ podaż i popyt mają znaczący wpływ na procesy logistyczne, wszelkie zakłócenia mogą prowadzić do nieefektywności lub nawet przerw w funkcjonowaniu magazynu.

Na przykład prawdopodobieństwo wystąpienia zakłóceń u głównego dostawcy może skłonić firmę do składania zamówień u wielu dostawców lub zwiększenia poziomu zapasów w celu ograniczenia ryzyka. Tego typu decyzje mogą zwiększyć złożoność przyjęć towaru i wymagać dodatkowych nakładów na zwiększenie pojemności magazynowej. Drobne zakłócenia, takie jak opóźnienia w dostawach od dostawców lub krótkoterminowe wahania popytu, również mogą utrudniać synchronizację przyjęć i wydań towaru, prowadząc do nieoczekiwanego wzrostu obciążenia pracą.

Analityka predykcyjna pomaga określić wskaźnik ryzyka, na jakie narażone są podmioty uczestniczące w łańcuch dostaw, a także sam magazyn. Może również sprawić, że czas przetrwania (jak długo łańcuch dostaw może wytrzymać bez danego ogniwa) i czas odbudowy (obie koncepcje wprowadził wykładowca MIT David Simchi-Levi) będą mieścić się w akceptowalnych zakresach, aby magazyn mógł kontynuować swoją normalną działalność.

Decyzje oparte na danych

Wykorzystanie modeli opartych na danych statystycznych staje się coraz bardziej powszechne w zarządzaniu łańcuchem dostaw, zwłaszcza że decyzje nie mogą już opierać się wyłącznie na ludzkim osądzie. Dostęp do olbrzymich ilości ustrukturyzowanych i nieustrukturyzowanych danych oraz znaczne możliwości analityczne umożliwiają identyfikację wzorców i korelacji między różnymi czynnikami wpływającymi na wydajność łańcucha dostaw.

Modele big data – deskryptywne, predykcyjne i preskryptywne – wykorzystują techniki statystyczne, eksplorację danych oraz uczenie maszynowe. Zdaniem M.N. Vimala Kumara i współautorów modele oparte na uczeniu maszynowym, takie jak algorytm lasu losowego, mogą być stosowane w magazynach, na przykład w celu zminimalizowania ilości odpadów (na świecie około jednej trzeciej świeżych owoców i warzyw jest wyrzucane).

Podejmowanie decyzji w łańcuchu dostaw jest w coraz większym stopniu zautomatyzowane i oparte na danych

Podobne modele mogą być używane do planowania układu magazynów, efektywnego wykorzystywania urządzeń transportu wewnętrznego i zasobów ludzkich, monitorowania procesu magazynowego (przygotowywania zamówień, poziomu zapasów i składowania) oraz usprawniania procesu decyzyjnego w obliczu zakłóceń i nieoczekiwanych zdarzeń. Na przykład firma DHL zastosowała technologie analizy dużych zbiorów danych (big data) do predykcyjnego planowania sieci, zarządzania wartością dla klienta czy też ryzykiem oraz prognozowania potrzeb w zakresie podaży i popytu. Natomiast w swoich badaniach nad zastosowaniem uczenia maszynowego w magazynach A. Tufano i współautorzy stwierdzają, że algorytmy oparte na danych statystycznych można wykorzystywać do identyfikowania podobnych pozycji asortymentowych (SKU), by umieszczać je blisko siebie, oraz do przewidywania obciążenia pracą w zakresie kompletacji zamówień, by stosownie do niego wyznaczać strefy i wybierać metodę kompletacji.

Zastosowania i przypadki praktyczne

WMS z automatyczną identyfikacją i gromadzeniem danych

Jedną z głównych funkcji systemów zarządzania magazynem (WMS) jest monitorowanie zapasów na przestrzeni całego procesu magazynowego, od przyjęcia do wydania towaru. Z tego powodu dokładność gromadzonych i prezentowanych danych ma kluczowe znaczenie. Dzięki automatycznej identyfikacji i gromadzeniu danych (ang. Automatic Identification and Data Capture, AIDC) można zrezygnować z obiegu dokumentów papierowych, co pozwala ograniczyć błędy, jakimi obarczone jest ręczne wprowadzanie danych.

Cyfrowe bliźniaki, wraz z AIDC i blockchainem, to obiecujące rozwiązanie w zakresie poprawy wydajności procesu magazynowego. Cyfrowe bliźniaki służą nie tylko do śledzenia i monitorowania, lecz również do tworzenia modeli deskryptywno-predykcyjnych wykorzystywanych do optymalizacji procesów. Internet rzeczy (ang. Internet of Things, IoT) ułatwia rozwój takich narzędzi.

Kluczowe wskaźniki przyszłej efektywności (ang. Key Performance Predictors, KPP), takie jak zmienność popytu, poziom zapasów, zmiany terminów realizacji dostaw przez dostawców, stan urządzeń transportu wewnętrznego oraz obciążenie pracą, umożliwiają przewidywanie scenariuszy z dużą niezawodnością. Połączenie tej zdolności prognozowania z systemem WMS i cyfrowymi bliźniakami jeszcze bardziej usprawniłoby proces: zostałyby wyeliminowane niepotrzebne ruchy (pokonywanie nadmiernych odległości w magazynie), wzrosłaby produktywność (pracownicy skupiliby się na innych zadaniach w przypadku opóźnień dostaw i przyjęć towaru) oraz możliwe byłoby uniknięcie niedoborów sprzętu lub personelu (dzięki konserwacji predykcyjnej i lepszemu planowaniu wykorzystania zasobów ludzkich).

Dr Mustafa Çagri Gürbüz podkreśla znaczenie analityki predykcyjnej w logistyce

W rezultacie system WMS udoskonalony poprzez wykorzystanie technologii IoT i cyfrowych bliźniaków pomógłby firmom w skuteczniejszym wdrażaniu strategii takich jak just in time (JIT), zarządzanie zapasami przez dostawcę (ang. Vendor Managed Inventory, VMI) oraz cross-docking, które wymagają znacznego wysiłku w zakresie synchronizacji, przewidywania, koordynacji oraz planowania. Systemy te mają również potencjał szybszego identyfikowania i eliminowania rozbieżności. Na przykład dzięki ulepszonym możliwościom monitorowania i ciągłemu gromadzeniu informacji (w przeciwieństwie do kwartalnych lub rocznych audytów) system WMS może natychmiast wykryć, że produkt, którego brakowało w zamówieniu wysłanym do klienta, tak naprawdę cały czas znajdował się na regale w magazynie, i bezzwłocznie zareagować na reklamację odbiorcy.

WMS wykorzystujący internet rzeczy do poprawy produktywności i wydajności

W badaniu opublikowanym w czasopiśmie International Journal of Production Research, C.K.M. Lee wraz ze współautorami analizuje wdrożenie systemu WMS opartego na IoT, wykorzystującego techniki klastrowania rozmytego (ang. fuzzy clustering), w celu usprawnienia zarządzania procesem w firmie produkcyjnej. W tym konkretnym przypadku zamówienia klientów są niewielkie i wysoce spersonalizowane. Zmienne te powodują, że ręczne zarządzanie procesem ogranicza zdolność reagowania na zmiany w zamówieniach, a nawet zwiększa koszty: poleganie na pamięci i doświadczeniu pracowników może generować aż 50% całkowitych kosztów operacyjnych kompletacji.

W analizowanym studium przypadku klienci często proszą o zmiany w zamówieniu, takie jak dodanie lub usunięcie produktu albo anulowanie zamówienia. Wymaga to elastycznego systemu WMS, który jest w stanie przewidzieć takie zmiany i zapewnić szybką reakcję w celu zapewnienia dostępności surowców i półproduktów.

Opracowany przez naukowców model rozmyty, który działa z wykorzystaniem silnika opartego na regułach, gromadzi informacje na temat liczby bieżących zamówień, liczby pozycji asortymentowych w magazynie, czasu pozostałego do zaplanowanej daty rozpoczęcia kompletacji, lokalizacji produktów, danych klienta, liczby produktów w zamówieniu oraz liczby dostępnych operatorów. Dzięki tym danym system jest w stanie przewidzieć sytuację w kolejnym okresie i zaproponować rozwiązanie, takie jak na przykład wybór kompletacji grupowej jako bardziej efektywnej w konkretnym przypadku metody.

Oparty na IoT system WMS z klastrami rozmytymi zaproponowany przez Lee i współautorów badania jest w stanie monitorować zasoby w czasie rzeczywistym i szybko dostosowywać się do zmian w zamówieniach. Naukowcy wykazali, że ten model predykcyjno-preskryptywny poprawia produktywność, szybkość i dokładność kompletacji w obliczu zmian w zamówieniach. Proponowany model umożliwia obsługę większej liczby zamówień w jednostce czasu, redukuje liczbę błędów, zwiększa wskaźniki realizacji zamówień, poprawia dokładność zamówień oraz zapewnia prawidłowe rejestrowanie stanów magazynowych. Rezultaty te można przypisać zarówno możliwościom analitycznym modelu predykcyjno-preskryptywnego, jak i systemowi WMS opartemu na IoT.

Predykcyjne projektowanie magazynu z wykorzystaniem uczenia maszynowemego

W publikacji Machine learning approach for predictive warehouse design, A. Tufano i współautorzy proponują model uczenia maszynowego zdolny do przewidywania wielu aspektów projektu magazynu w oparciu o wcześniejsze obserwacje. Pierwszy aspekt dotyczy systemów składowania, jakie należy zastosować (np. automatyczne systemy składowania z układnicami, systemy składowania akumulacyjnego, regały wspornikowe, system pojemnikowy miniload, regały paletowe czy regały kompletacyjne). Drugi aspekt to odpowiednie urządzenia transportu wewnętrznego (wózek widłowy, wózek do kompletacji zamówień itp.). Trzeci aspekt jest związany z rozmieszczeniem towaru (np. czy towar do kompletacji zamówień i zapas składuje się w jednej części obiektu, czy w osobnych). Czwarty aspekt dotyczy kompletacji (np. czy są to zamówienia jednoproduktowe czy wieloproduktowe).

Technologie takie jak big data i uczenie maszynowe umożliwiają firmom wdrażanie modeli deskryptywnych, predykcyjnych i preskryptywnych

W modelu uczenia się zaproponowanym przez badaczy zastosowano takie wskaźniki KPI jak profilowanie SKU (w jaki sposób zachowują się poszczególne pozycje asortymentowe), profilowanie zapasów (która lokalizacja jest najbardziej odpowiednia), profilowanie obciążenia pracą (jak i gdzie rozkłada się obciążenie pracą) oraz profilowanie układu (jak są rozmieszczane zasoby). Na przykład profilowanie zapasów mogłoby posłużyć do przewidywania ryzyka braków w zaopatrzeniu poprzez stosowne ostrzeżenie przed wyczerpaniem się zapasów z powodu zwiększonego popytu na określony produkt.

Model ten wymaga znajomości danych dotyczących takich obszarów jak przyjęcia (lokalizacja) i wydania towaru (kompletacja), położenie magazynu w układzie współrzędnych, stan magazynowy poszczególnych produktów oraz szczegóły dotyczące zamówień. Model uczenia maszynowego, który ma na celu przewidzieć układ magazynu odpowiedni dla wszystkich produktów, został zweryfikowany na podstawie danych zebranych od 16 firm z branż takich jak motoryzacyjna, spożywcza, kosmetyczna i wydawnicza.

Model ten ma na celu dostarczyć odpowiednie i elastyczne – choć niekoniecznie najlepsze – rozwiązania, które będą dopasowane do specyfiki działalności. Na przykład operatorzy 3PL często mają trudności z podejmowaniem decyzji projektowych ze względu na nieprzewidywalność popytu, który charakteryzuje się nieregularnością. Ponadto mogą oni nie znać dokładnie potrzeb swoich nowych klientów, a istniejące umowy nierzadko także ulegają zmianom albo nawet rozwiązaniu. Według A. Tufano i współautorów badania taki model predykcyjny oparty na danych mógłby przynieść korzyści dostawcom usług logistycznych, zwłaszcza jeśli dysponują danymi na temat kluczowych parametrów, takich jak wielkość czy waga poszczególnych produktów i dynamika popytu (popularność, sezonowość).

Krótkoterminowe prognozowanie obciążenia pracą i efektywne zarządzanie zasobami ludzkimi

Podejmowanie decyzji w łańcuchu dostaw jest w coraz większym stopniu zautomatyzowane i oparte na danych. Jednak ludzki osąd wciąż pozostaje decydującym czynnikiem w planowaniu podaży i prognozowaniu popytu. Podobnie znaczna część czynności odbywających się w magazynie, takich jak kompletacja i pakowanie zamówień, w dużej mierze jest wykonywana przez ludzi. Obciążenie pracą w magazynach – szczególnie na etapie wydań towaru – również cechuje się zmiennością, głównie z powodu niepewności będącej cechą podaży i popytu.

Aby radzić sobie z wahaniami popytu, przedsiębiorstwa muszą dostosowywać się do różnych czynników, takich jak sezonowość niektórych produktów lub okresy szczytów sprzedażowych będące skutkiem promocji czy wyprzedaży. Wynikająca z tych wahań popytu zmienność obciążenia pracą powoduje, że firmy starają się mieć w magazynie, oprócz pełnoetatowego stałego personelu, elastyczne rezerwy siły roboczej. Aby przewidzieć natężenie pracy i zaplanować liczbę pracowników, należy przeprowadzić szczegółową analizę w celu zidentyfikowania błędów w prognozowaniu popytu, kontrolowanego wykorzystania odchyleń oraz oszacowania ich wpływu na wydajność pracy.

Podejmowanie decyzji w łańcuchu dostaw jest coraz bardziej zautomatyzowane i oparte na danych

Osąd kierownika magazynu, jako człowieka, może siłą rzeczy prowadzić do niedoszacowania lub przeszacowania liczby zamówień, co przekłada się na decyzje o zatrudnieniu personelu i na terminowość realizacji umów z klientami. Podczas gdy zawyżenie prognoz nie przynosi korzyści na etapie pakowania, które wymaga dużo siły roboczej, przeszacowanie na poziomie 30–70% w przypadku kompletacji i wysyłki może zwiększyć wydajność o 5–10%. Potwierdza to badanie przeprowadzone w magazynie firmy Samsung Electronics w Europie Zachodniej dla szybko rotujących produktów. Wnioski potwierdziło również badanie 30 magazynów należących do innych firm (Kim i in.).

Zaproponowany przez autorów model predykcyjny potwierdza, że kontrolowane wykorzystanie odchyleń może poprawić wydajność pracy w magazynie. Model ustanawia analityczny związek między odchyleniem prognozy popytu (różnica między prognozowanym popytem a rzeczywistą liczbą zamówień) a produktywnością magazynu. Korelacja ta jest wykorzystywana do optymalizacji planowania pracy w magazynie.

Według autorów kontrolowanie odchylenia prognoz poprzez uwzględnienie historycznych danych na temat popytu poprawia perspektywy sprzedaży i wykorzystanie zasobów ludzkich na różnych etapach logistyki.

Modele predykcyjne usprawniające zarządzanie

Platformy big data, które umożliwiłyby firmom wdrażanie modeli deskryptywnych, predykcyjnych i preskryptywnych, mogą być wykorzystywane w zarządzaniu magazynem ─ pod warunkiem pokonania pewnych przeszkód ─ do minimalizowania ryzyka, zwiększania produktywności oraz podnoszenia rentowności. Jednakże takie czynniki jak wielkość organizacji, niedostatek zasobów technologicznych oraz brak skutecznej wymiany informacji między uczestnikami łańcucha dostaw utrudniają wykorzystanie analityki dużych zbiorów danych w zarządzaniu magazynem.

Badania przeprowadzone przez A. Ghaoutę i współautorów sugerują, że wykorzystanie modeli predykcyjnych jest wciąż ograniczone (większość modeli ma charakter deskryptywny), z wyjątkiem algorytmów stosowanych do wytyczania tras i zarządzania zapasami. Jednak waga zarządzania ryzykiem w łańcuchu dostaw prawdopodobnie sprawi, że firmy będą chętniej stosowały modele predykcyjne w zarządzaniu magazynem. System WMS wyposażony w funkcje zarządzania ryzykiem mógłby identyfikować i oceniać prawdopodobieństwo wystąpienia zakłóceń po stronie partnerów w łańcuchu dostaw, takich jak przestoje w produkcji u dostawcy czy nieregularność zamówień od odbiorców. Ponadto technologia ta pomogłaby firmom opracować reaktywne i proaktywne strategie ograniczania ryzyka w oparciu o ryzyko związane z poszczególnymi dostawcami i odbiorcami.

Konieczne są również dalsze wysiłki w celu zbadania, w jaki sposób system WMS oparty na IoT umożliwiłby firmom przejście od scentralizowanej do zdecentralizowanej kontroli. W takich systemach połączenie między ludźmi, urządzeniami transportu wewnętrznego, towarem i czujnikami poprawiłoby koordynację i komunikację w procesie podejmowania decyzji.

 

 

Przypisy

 

 

Dr Mustafa Çagri Gürbüz jest wykładowcą zarządzania łańcuchem dostaw w Międzynarodowym Programie Logistycznym MIT Saragossa. Jest również pracownikiem naukowym w Centrum Transportu i Logistyki MIT. Do głównych obszarów prowadzonych przez niego badań należą zarządzanie zapasami i łańcuchem dostaw, optymalizacja systemów dystrybucyjnych, umowy oraz modelowanie systemów operacyjnych.